Deep Learning-Based Simultaneous Separation of Overlapping Projection Data and Attenuation and Scatter Correction for Multi-Pinhole SPECT

想象一下，你正试图为隐藏在一个多雾、厚壁洞穴里的秘密宝藏拍摄一张完美的照片。在医学成像的世界里，这个“宝藏”是患者体内微小的放射性示踪剂信号，而“照相机”则是被称为 SPECT（单光子发射计算机断层扫描）的机器。通常，为了获得清晰的图像，医生会使用一种特殊的过滤器，称为准直器，它就像一组微小的隧道，只允许光线（在这里是伽马射线）沿直线通过。但问题在于，为了获得非常锐利的图像，你需要很多这样的隧道。如果你把这些隧道堆叠得太密，它们的视野就会开始重叠，就像透过万花筒看东西一样，图案会交织在一起，变成一团混乱的景象。此外，洞穴壁（即患者的身体）会吸收并反弹射线，使图像变得模糊且暗淡。几十年来，修复这些模糊、重叠的混乱情况需要进行第二次危险的 X 射线扫描，仅仅是为了绘制出洞穴壁的轮廓，这增加了额外的辐射并提高了成本。科学家们一直在寻找一种方法来解开这团乱麻并拨开迷雾，希望让照相机更快、更便宜、更安全，造福每一个人。

这篇论文介绍了一个使用一种被称为卷积神经网络（CNN）的巧妙新技巧，它就像一种新型的人工智能，一种被训练来解决视觉谜题的超级智能数字侦探。研究人员使用的是一套配备了 44 个针孔（微小隧道）大型阵列的静态 SPECT 系统，他们面临着双重问题：这 4గా 个孔产生的视野像一团乱麻一样相互重叠，而且射线会被患者的身体扭曲。研究人员并没有尝试用耗时极长的复杂数学方法来解开这团乱麻，而是教给了他们的 AI 侦探一个新游戏。他们给 AI 输入了一个“混乱”的输入：即模拟伽马射线在脑部如何反弹和被吸收所产生的重叠、模糊且带有噪声的数据。然后，他们向 AI 展示了“完美”的目标：即如果没有重叠、没有模糊和没有噪声，图像应该是什么样子的。通过在成千上万个模拟脑部案例上进行练习，AI 学会了如何瞬间将缠绕在一起的乱绳理成整齐的单根线条，并同时抹去雾气和噪声。

这些模拟结果非常令人振奋。当研究人员在脑部图像上测试其 AI 时，它成功地解开了来自 44 个针孔的重叠投影，并在不需要额外 X 射线图的情况下修正了物理失真。该 AI 生成的图像明显比旧方法更清晰、更准确。例如，该方法实现了更高的“峰值信噪比”（衡量图像清晰度的指标），达到 18.38 ± 0.79 dB，这优于仅使用 11 个针孔（此时不会发生重叠）的系统所达到的 15.54 ± 1.35 dB，也优于标准扇形束摄像机的 15.93 ± 1.12 dB。研究还将该方法与一种称为 Moore 校正的传统技术进行了比较：AI 方法产生了更锐利、误差更少的图像，其归一化均方误差（NMSE）为 0.18 ± 0.02，而 11 针孔设置的 NMSE 为 0.24 ± 0.06。

然而，必须记住，这些发现来自于计算机模拟，而非真实的患者。研究人员模拟了一个含有特定量放射性示踪剂（370 MBq）的脑部，并使用了一个虚拟的 44 针孔照相机。他们发现，虽然 AI 可以处理来自所有 44 个针孔的“混乱”数据，但当摄像机轻微移动（即探测器旋转 60 度的“准静态”设置）时效果最好，这有助于进一步减少残留的伪影。该论文明确排除了需要单独进行 CT 扫描来修复图像的想法；AI 已经学会了自主完成“衰减校正”（即消除雾气）。虽然该方法在脑部成像（其中“洞穴壁”密度较为均匀）方面显示出巨大潜力，但作者指出，将其应用于如心脏等密度变化剧烈的其他身体部位可能会更加困难。最终，这项研究表明，智能 AI 可能很快就能让医生使用高灵敏度、多针孔摄像机，以更快、无需额外 CT 扫描辐射剂量的方式获取高质量的定量脑部图像，但仍需更多真实人类数据的测试来确认这种“魔法”在现实世界中是否奏效。